ElevenLabs
OpenClaw używa ElevenLabs do text-to-speech, batch speech-to-text z Scribe
v2 oraz strumieniowego STT dla Voice Call z Scribe v2 Realtime.
| Możliwość | Surface OpenClaw | Domyślnie |
|---|
| Text-to-speech | messages.tts / talk | eleven_multilingual_v2 |
| Batch speech-to-text | tools.media.audio | scribe_v2 |
| Strumieniowe speech-to-text | Voice Call streaming.provider: "elevenlabs" | scribe_v2_realtime |
Uwierzytelnianie
Ustaw ELEVENLABS_API_KEY w środowisku. XI_API_KEY jest również akceptowane dla
zgodności z istniejącymi narzędziami ElevenLabs.
export ELEVENLABS_API_KEY="..."
Text-to-speech
{
messages: {
tts: {
providers: {
elevenlabs: {
apiKey: "${ELEVENLABS_API_KEY}",
voiceId: "pMsXgVXv3BLzUgSXRplE",
modelId: "eleven_multilingual_v2",
},
},
},
},
}
Speech-to-text
Użyj Scribe v2 dla przychodzących załączników audio i krótkich nagranych segmentów głosowych:
{
tools: {
media: {
audio: {
enabled: true,
models: [{ provider: "elevenlabs", model: "scribe_v2" }],
},
},
},
}
/v1/speech-to-text z
model_id: "scribe_v2". Wskazówki językowe są mapowane do language_code, gdy są obecne.
Strumieniowe STT dla Voice Call
Dołączony plugin elevenlabs rejestruje Scribe v2 Realtime dla strumieniowej
transkrypcji Voice Call.
| Ustawienie | Ścieżka konfiguracji | Domyślnie |
|---|
| Klucz API | plugins.entries.voice-call.config.streaming.providers.elevenlabs.apiKey | Awaryjnie używa ELEVENLABS_API_KEY / XI_API_KEY |
| Model | ...elevenlabs.modelId | scribe_v2_realtime |
| Format audio | ...elevenlabs.audioFormat | ulaw_8000 |
| Sample rate | ...elevenlabs.sampleRate | 8000 |
| Strategia commit | ...elevenlabs.commitStrategy | vad |
| Język | ...elevenlabs.languageCode | (nieustawione) |
{
plugins: {
entries: {
"voice-call": {
config: {
streaming: {
enabled: true,
provider: "elevenlabs",
providers: {
elevenlabs: {
apiKey: "${ELEVENLABS_API_KEY}",
audioFormat: "ulaw_8000",
commitStrategy: "vad",
languageCode: "en",
},
},
},
},
},
},
},
}
Voice Call odbiera media Twilio jako 8 kHz G.711 u-law. Provider realtime ElevenLabs
domyślnie używa ulaw_8000, więc ramki telefoniczne mogą być przekazywane dalej bez
transkodowania.
